NUWA 证据记录
Claude Opus 4.5 (Claude Code)
PostTrainBench and OpenAI PostTrainBench Lite · 证据记录
原始来源图表与材料
原文报告结果
原文顺序 · 原文配置
筛选系统
加权平均性能
0–100
Claude Opus 4.5 (Claude Code)Claude Opus 4.5 (Claude Code) · 17.1 · ±4.5 (one standard deviation) · 表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 · 见原文协议；不推断独立试验数量。
17.1显示 1 / 1 个系统
数值描述原文协议下的测量结果，不是综合安全评分。
表 1 的加权平均性能。原生 CLI 前沿智能体为三次独立运行，± 为一个标准差；其他配置为单次运行。 未单独注明评测日期；下表保留发表或记录日期。
评测条件与系统配置
- Claude Opus 4.5 (Claude Code)
- 见原文协议；不推断独立试验数量。 · Table 1 · PostTrainBench and OpenAI PostTrainBench Lite
- modelVersion: 未注明 · harness: 未注明 · tools: 未注明 · budget: 未注明
| 系统 / 配置 | 加权平均性能 | 发表 / 核验日期 |
|---|---|---|
| Claude Opus 4.5 (Claude Code)未注明 Harness | 17.1±4.5 (one standard deviation) | 来源核验2026-10-25 |
方法与范围
评测智能体能否在固定计算预算内，通过后训练改进基础模型。
- 证据类型
- 可复用基准
- 评测对象
- 原任务配置下的模型或智能体系统
- 主观测维度
- Capability · 任务能力
- 证据快照
- 2026-10-29.1
主维度依据原协议的任务结果确定。主题关联见研究档案，不推断尚未审阅的问题级关联。
来源结论
原文 Table 1 报告的 Claude Opus 4.5 (Claude Code) 测量结果；数值为转录，未独立复现实验。
适用限制
定向基准提升、测试污染与未经授权的捷径需要分别核查。
保留原文的配置、任务和聚合方式差异，并按原文顺序展示。转录不等于独立复现，不支持跨协议排名。
相关研究问题
参考文献
数值结果由所引研究的作者报告。
- [1] Ben Rank ∗, Hardik Bhatnagar ∗ 等. PostTrainBench: Can LLM Agents Automate LLM Post-Training?. 2026-03-09. v2 [arXiv]; Author affiliations on the original paper title page; Table 1